qualify-lead — команда для Claude Code: что делает и как установить
Команда qualify-lead оценивает соответствие лида профилю клиента и сигналы намерений, чтобы решить, передавать ли сделку менеджеру, отправить на догрев или вернуть в базу.
Apache-2.0 ★ 450 обновлён 2026-04-03
.claude/commands/qualify-lead.mdЧто делает qualify-lead
Команда /sales-prospecting:qualify-lead рассчитывает совокупный балл лида на основе портрета идеального клиента (ICP), поведенческих сигналов и триггеров покупки. Она сопоставляет параметры компании, используемый стек технологий и активность потенциального покупателя, чтобы выдать рекомендацию: передать в продажи (route), отправить в прогрев (nurture) или отложить (recycle).
Анализ проходит пять этапов: нормализация входящих данных, оценка соответствия (fit), анализ намерений (intent), расчёт тайминга по внешним событиям вроде раундов финансирования или найма и выдача итогового плана действий. На выходе формируется JSON-структура со скорингом, уровнем срочности и списком шагов для менеджера.
Для точного расчёта команде требуются структурированные файлы с фирмографикой, стеком и данными активности. По умолчанию проходной порог для передачи в продажи равен 70 баллам.
Какие задачи решает
- рассчитать скоринг лида по критериям ICP и сигналам намерений
- распределить лиды между передачей сейлзу, прогревом и отсевом
- спланировать первые шаги взаимодействия с потенциальным клиентом
- сопоставить стек технологий компании с требованиями продукта
Примеры запросов агенту
- /sales-prospecting:qualify-lead --company "Acme Corp" --persona "VP Revenue" --signals intent.json
- /sales-prospecting:qualify-lead --company "Beta" --persona "CTO" --firmographics
firmo.json --technographics tech.json --signals intent.json --threshold 75 - /sales-prospecting:qualify-lead --company "Globex" --persona "Head
of Sales" --stage PQL --signals intent.json
Как установить qualify-lead
Вручную: положить файлы
.claude/commands/qualify-lead.mdВызов — /qualify-lead. Для всех проектов — ~/.claude/commands/
Вручную: положить файлы
~/.codex/prompts/qualify-lead.mdВызов — /prompts:qualify-lead. В Codex этот формат помечен устаревшим, замена — скиллы
Вручную: положить файлы
.github/prompts/qualify-lead.prompt.mdВручную: положить файлы
.gemini/commands/qualify-lead.tomlGemini хранит команды в TOML: текст запроса — в поле prompt
Вопросы о qualify-lead
Как установить qualify-lead в Claude Code?
Сохраните определение команды в файл проекта .claude/commands/qualify-lead.md.
Что делает команда qualify-lead?
Она нормализует данные о компании, оценивает совпадение с ICP, анализирует поведенческие триггеры и формирует JSON с итоговым решением и рекомендациями.
Зачем нужен параметр threshold?
Он задаёт минимальный суммарный балл для передачи лида в отдел продаж; значение по умолчанию составляет 70.
Исходный текст
qualify-lead.md · Apache-2.0
---
name: qualify-lead
description: Evaluate prospect fit and intent to determine next-best action for sales teams.
usage: /sales-prospecting:qualify-lead --company "Acme" --persona "VP Revenue" --signals intent.json
---
# Qualify Lead Command
Score leads against ICP, intent signals, and buying triggers to decide whether to route, recycle, or nurture.
## Command Syntax
```bash
/sales-prospecting:qualify-lead \
--company "<name>" \
--persona "<title>" \
--firmographics firmo.json \
--technographics tech.json \
--signals intent.json \
--threshold 75
```
### Parameters
- `--company`: Account name or domain.
- `--persona`: Primary buyer role under evaluation.
- `--firmographics`: JSON/CSV input of company attributes.
- `--technographics`: Technology stack details.
- `--signals`: Intent data (product usage, web visits, 3rd-party intent).
- `--threshold`: Minimum composite score to pass to sales (default 70).
- `--stage`: Lead stage (MQL, PQL, recycled) to influence scoring weights.
## Workflow
1. **Data Normalization** – clean and map firmographic, technographic, and behavior fields.
2. **Fit Scoring** – apply weighted ICP model (industry, size, geography, use case, tech stack compatibility).
3. **Intent Scoring** – incorporate behavioral data (content engagement, trials, intent providers, product telemetry).
4. **Timing Assessment** – evaluate trigger events (funding, hires, tech churn) plus buying cycle alignment.
5. **Recommendation Engine** – produce route/recycle/nurture guidance with rationale, next steps, and owner.
## Output Schema
```json
{
"company": "Acme Corp",
"fit_score": 82,
"intent_score": 76,
"composite_score": 79,
"decision": "route-to-ae",
"urgency": "high",
"rationale": [
"ICP match: SaaS, 200 employees, US",
"High technographic overlap",
"Recent product trial and pricing page visits"
],
"next_steps": [
"Assign to AE Sarah Lee",
"Send enterprise case study",
"Schedule discovery call within 48h"
]
}
```
## Best Practices
- Keep scoring models transparent so SDRs/RevOps can adjust weights.
- Blend qualitative notes (call transcripts) with quantitative data.
- Auto-sync outcomes to CRM and track model drift monthly.
- Use different thresholds for inbound vs outbound vs product-led leads.
---
© gtmagents · Apache-2.0 · gtmagents/gtm-agents